Deteksi Microsleep pada Pengendara Mobil Menggunakan Metode Hybrid CNN-LSTM Berbasis Computer Vision

Az Zahra Paramita, Nabila (2026) Deteksi Microsleep pada Pengendara Mobil Menggunakan Metode Hybrid CNN-LSTM Berbasis Computer Vision. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (673kB)
	PDF BAB_I.pdf Download (309kB)
	PDF BAB_II.pdf Download (647kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (516kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (271kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (302kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (715kB)
	Archive (ZIP) 00000083199_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Microsleep merupakan kondisi hilangnya kesadaran sesaat yang sangat berbahaya bagi pengendara mobil karena dapat menyebabkan hilangnya kendali kendaraan tanpa disadari. Tingginya angka kecelakaan lalu lintas akibat kelelahan pengemudi mendorong kebutuhan akan sistem deteksi dini yang mampu mengidentifikasi tanda-tanda microsleep secara otomatis dan responsif sebelum situasi berbahaya terjadi. Penelitian ini bertujuan mengembangkan sistem deteksi microsleep berbasis computer vision menggunakan metode hybrid Convolutional Neural Network­Long Short-Term Memory (CNN­LSTM) yang dilatih pada dataset Driver Drowsiness Dataset (DDD) dengan total 41.793 gambar. CNN digunakan untuk mengekstraksi fitur spasial dari setiap frame seperti pola penutupan kelopak mata dan perubahan posisi kepala, sementara LSTM menganalisis hubungan temporal antar frame untuk mengenali pola microsleep yang muncul secara bertahap. Data diproses menggunakan teknik sliding window dengan panjang sekuens 10 frame, augmentasi data, dan strategi split per kelas untuk mencegah cross-class sliding window pada pipeline sekuensial. Model berhasil mencapai akurasi 98%, precision 0,99, recall 0,98, F1-score 0,98, dan AUC 0,9977 pada data uji. Hasil ini dicapai dengan model yang hanya memiliki 63.329 parameter, membuktikan bahwa arsitektur lightweight dengan regularisasi berlapis mampu menghasilkan generalisasi yang optimal. Sistem deployment real-time berbasis webcam berhasil diimplementasikan dengan latensi inferensi 15­20 milidetik, memenuhi standar minimal sistem real-time 30 FPS pada CPU standar tanpa GPU khusus.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Az Zahra Paramita, Nabila (00000083199)
Contributors:	Natalia, Friska
Keywords:	CNN, Computer Vision, LSTM, Microsleep, Image Processing
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	21 Jul 2026 08:03
URI:	https://kc.umn.ac.id/id/eprint/47818

Actions (login required)

View Item